一种电力负荷预测方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115775036A(43)申请公布日2023.03.10(21)申请号202111052892.6(51)Int.Cl.(22)申请日2021.09.07G06Q10/04(2023.01)G06Q50/06(2012.01)(71)申请人国网河北省电力有限公司信息通信G06N3/0464(2023.01)分公司地址050000河北省石家庄市裕华区富强大街10号申请人华北电力大学国家电网有限公司(72)发明人王静刘宏袁翰青辛锐孙辰军苏雨菁齐京亮李慧玲宋丹张婕何颖徐磊王立玮汪鹏潘继璇(74)专利代理机构北京天达知识产权代理事务所有限公司11386专利代理师牛洪瑜权利要求书3页说明书12页附图2页(54)发明名称一种电力负荷预测方法和装置(57)摘要本发明涉及一种电力负荷预测方法和装置，属于电力技术领域，解决了现有预测方法环境信息收集实时性不足，难以适用电力负荷非线性和非平稳关系的问题。该方法包括：采集各时刻电力负荷预测所需的电力负荷时间序列；利用所述电力负荷时间序列构建多变量无阈值改进递归图以将所述电力负荷时间序列转化为编码图像，其中，通过所述电力负荷时间序列相空间重构获得反映多态动力信号信息的相空间，并在所述相空间中构造无阈值改进递归图；以及将生成的编码图像输入卷积神经网络预测模型，以生成预测的电力负荷。改进的递归图能够提高特征反映能力，减少特征丢失，并结合卷积神经网络以适用电力负荷非线性和非平稳关系。CN115775036ACN115775036A权利要求书1/3页1.一种电力负荷预测方法，其特征在于，包括：采集各时刻电力负荷预测所需的电力负荷时间序列，其中，所述电力负荷时间序列包括电力负荷、温度均值、湿度均值、雨量均值和特殊天气数据；利用所述电力负荷时间序列构建多变量无阈值改进递归图以将所述电力负荷时间序列转化为编码图像，其中，通过所述电力负荷时间序列相空间重构获得反映多态动力信号信息的相空间，并在所述相空间中构造无阈值改进递归图；以及将生成的编码图像输入卷积神经网络预测模型，以生成预测的电力负荷。2.根据权利要求1所述的电力负荷预测方法，其特征在于，利用所述电力负荷时间序列构建多变量无阈值改进递归图以将所述电力负荷时间序列转化为编码图像进一步包括：根据多个传感器采集的所述电力负荷时间序列将所述电力负荷时间序列相空间重构为：TX″＝{X″1,X″2,...，X″i,..,X″N|X″i＝(x'i(1),x'i(2),..,x'i(j),..,x'i(n'))在相空间X″i中，构造无阈值递归图：Di，k＝‖X″i‑X″k‖,i,k＝1,2…,N″X″i和X″k分别是相空间X″在时间点i和时间点k处的相点，N″和n'分别表示采样长度与传感器数量，x'i(j)表示第j个传感器在时间点i处采集的数据，Di，k表示两个相点X″i和X″k之间的距离。3.根据权利要求1所述的所述的电力负荷预测方法，其特征在于，在将生成的编码图像输入卷积神经网络预测模型之前进一步包括：获取电力系统的历史数据，并从所述历史数据中提取多个时段的所述电力负荷、所述温度均值、所述湿度均值、所述雨量均值和所述特殊天气数据；根据多个时段的所述电力负荷、所述温度均值、所述湿度均值、所述雨量均值和所述特殊天气数据生成训练集；以及生成卷积神经网络，利用所述训练集对所述卷积神经网络进行训练以生成所述卷积神经网络预测模型。4.根据权利要求3所述的所述的电力负荷预测方法，其特征在于，所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，所述输入层，用于接收所述编码图像；所述卷积层，用于利用卷积过滤器对所述编码图像进行卷积计算，以获取所述编码图像的特征面；所述池化层，用于将经过所述卷积层卷积得到的特征面划分为多个子块，以及在每个子块上提取特征以构建池化层的特征面；所述全连接层，用于整合所述卷积层或者所述池化层中具有类别区分性的特征面生成预测的电力负荷值；以及所述输出层，用于输出所述预测的电力负荷值。5.根据权利要求4所述的所述的电力负荷预测方法，其特征在于，所述卷积层的计算公式如下：2CN115775036A权利要求书2/3页表示卷积计算，F表示所述卷积层的输入，Fk代表卷积层的输出，k表示层数，w为所述k卷积过滤器的参数，w表示第k层的过滤器参数；Hf、Wf分别为所述卷积过滤器的高度、宽度，C为通道数；P为边缘填充维度，H、W为输入数据的高度和宽度；Hconv、Wconv为所述编码图像进行卷积计算后形成的特征图的高度和宽度；S为所述卷积过滤器移动的步幅。6.根据权利要求4所述的所述的电力负荷预测方法，其特征在于，对所述卷积层操作以下Relu激活函数：其中，对于所述编码图像中的每个负值，所述Relu激